【技术实现步骤摘要】
本专利技术涉及光功率预测，尤其涉及一种印刷通信光功率预测的方法。
技术介绍
1、随着印刷通信技术的不断发展，对印刷通信光功率的准确预测变得越来越重要。
2、然而，传统的印刷通信光功率预测方法需要进行大量的实际测试，成本高且耗时，同时，需要人工进行特征选择，受到环境因素的影响较大，同时，预测模型可能存在过度拟合的问题，导致预测结果不准确，发生因光功率不足或过剩导致的光信号中断或传输效果不佳，降低印刷效率和印刷图像的质量。
3、因此，本专利技术提出一种印刷通信光功率预测的方法。
技术实现思路
1、本专利技术提供一种印刷通信光功率预测的方法，用以解决现有技术中需要进行大量的实际测试，成本高且耗时，同时，需要人工进行特征选择，受到环境因素的影响较大，同时，预测模型可能存在过度拟合的问题，导致预测结果不准确，发生因光功率不足或过剩导致的光信号中断或传输效果不佳，降低印刷效率和印刷图像的质量的缺陷。
2、一方面，本专利技术提供一种印刷通信光功率预测的方法，包括：
3、步骤1：根据印刷系统的运行日志获取印刷通信系统中光功率的各种数据，对所述数据进行预处理，根据预处理结果获取印刷通信光功率的特征；
4、步骤2：通过对所述印刷通信光功率的特征进行组合，获取影响光功率的主要因素；
5、步骤3：根据所述主要因素确定光功率的产生机制和光信号的传输过程，并根据所述产生机制和光信号的传输过程构建基于自动化的深度学习模型；
6、
7、步骤5：将模型部署到实际的印刷通信系统中，实现光功率的实时预测。
8、根据本专利技术提供的一种印刷通信光功率预测的方法，还包括：
9、确定印刷系统印刷激光的频率并进行锁定，将保持同一频率的部分印刷激光引入到量子频率标准；
10、利用量子频率标准产生的光频移确定印刷激光的平均光强；
11、基于平均光强获取产生印刷激光的发光组件的辐照度数据，根据辐照度数据生成发光组件的辐照度点值序列；
12、基于辐照度点值序列确定光功率增益，根据光功率增益确定光功率调整量与发光组件电压参数变化量之间的相关性矩阵；
13、根据相关性矩阵和发光组件电压参数的调节差值确定光功率的相应调整参数；
14、根据相应调整差值确定发光组件的光源输送速率区间，基于光源输送速率区间确定性能要求参数；
15、根据性能要求参数确定发光组件的光供应增益，根据预设光供应补偿关系和光供应增益确定光补偿增益；
16、根据光补偿增益设置光衰减器和光增益器以调整光线实现光功率检测。
17、根据本专利技术提供的一种印刷通信光功率预测的方法，根据印刷系统的运行日志获取印刷通信系统中光功率的各种数据，对所述数据进行预处理，根据预处理结果获取印刷通信光功率的特征，包括：
18、根据印刷系统的运行日志获取光功率数据的记录方式；
19、根据所述光功率数据的记录方式在运行日志中搜索与光功率相关的各种数据；
20、对所述各种数据进行解析，根据解析结果获取印刷通信系统的光功率的变化规律；
21、根据所述变化规律基于机器学习算法确定数据中的潜在结构和关系，根据所述潜在结构和关系获取印刷通信光功率的特征，并进行工程处理。
22、根据本专利技术提供的一种印刷通信光功率预测的方法，通过对所述印刷通信光功率的特征进行组合，获取影响光功率的主要因素，包括：
23、通过对所述印刷通信光功率的特征基于统计分析方法对各个特征之间进行关联性和权重计算；
24、根据各个特征之间的关联性程度和权重大小将印刷通信光功率的特征进行组合，获取特征集；
25、根据所述特征集基于隐含变量获取确定影响光功率的主要因素。
26、根据本专利技术提供的一种印刷通信光功率预测的方法，根据所述主要因素确定光功率的产生机制和光信号的传输过程，并根据所述产生机制和光信号的传输过程构建基于自动化的深度学习模型，包括：
27、根据所述主要因素确定对光功率的影响程度及其交互作用；
28、获取光源的类型和工作方式，并基于因素对光功率的影响程度确定光功率的产生机制；
29、获取光信号的吸收和散射，并基于波长和折射率确定光信号的传输过程；
30、根据所述产生机制和光信号的传输过程构建基于自动化的深度学习模型。
31、根据本专利技术提供的一种印刷通信光功率预测的方法，获取光源的类型和工作方式，并基于因素对光功率的影响程度确定光功率的产生机制，包括：
32、获取光源的类型，根据所述光源的类型获取对应的功率输出和效率；
33、根据所述功率输出和效率确定光源的工作方式；
34、根据所述工作方式获取不同光源的电流大小，根据所述电流大小基于因素对光功率的影响程度确定光功率的产生机制。
35、根据本专利技术提供的一种印刷通信光功率预测的方法，对所述深度学习模型进行训练，利用交叉验证技术进行模型评估，根据评估结果对模型进行优化，包括：
36、获取光信号训练集，通过光信号训练集对深度学习模型进行训练，获取训练模型；
37、获取深度学习模型的任务特性，根据任务特性选择交叉验证方法；
38、通过交叉验证方法在光信号验证集上对训练模型进行评估，计算模型的精度指标；
39、根据精度指标调节训练模型的参数或超参数以实现模型优化；
40、交叉验证方法包括k折交叉验证、交叉验证轮数法、stratified k折交叉验证；
41、精度指标包括：准确率、f1分数、均方误差、决定系数。
42、根据本专利技术提供的一种印刷通信光功率预测的方法，将模型部署到实际的印刷通信系统中，实现光功率的实时预测，包括：
43、将优化后的模型转换为可执行的文件，并在印刷通信系统中配置深度学习框架，并设置相应的参数和选项；
44、将所述可执行的文件的权重导入到深度学习框架中；
45、根据深度学习框架的api对模型进行加载和编译，根据加载和编译后的模型实现印刷通信光功率的预测。
46、与现有技术相比，本申请的有益效果如下：
47、通过印刷通信系统中光功率的各种数据获取光功率的特征并进行组合，获取影响因素，构建深度学习模型并进行训练部署，实现光功率的实时预测，不需要进行大量的实际测试，同时，特征选择比较精准，不易受到环境因素的影响，同时，预测模型不存在过度拟合的问题，导致预测结果准确，避免发生因光功率不足或过剩导致的光信号中断或传输效果不佳，提高了印刷效率和印刷图像的质量。
本文档来自技高网...【技术保护点】
1.一种印刷通信光功率预测的方法，其特征在于，包括：
2.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，还包括：
3.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，根据印刷系统的运行日志获取印刷通信系统中光功率的各种数据，对所述数据进行预处理，根据预处理结果获取印刷通信光功率的特征，包括：
4.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，通过对所述印刷通信光功率的特征进行组合，获取影响光功率的主要因素，包括：
5.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，根据所述主要因素确定光功率的产生机制和光信号的传输过程，并根据所述产生机制和光信号的传输过程构建基于自动化的深度学习模型，包括：
6.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，获取光源的类型和工作方式，并基于因素对光功率的影响程度确定光功率的产生机制，包括：
7.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，对所述深度学习模型进行训练，利用交叉验证技术进行模型评估，根据评估结果
8.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，将模型部署到实际的印刷通信系统中，实现光功率的实时预测，包括：
...【技术特征摘要】
1.一种印刷通信光功率预测的方法，其特征在于，包括：
2.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，还包括：
3.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，根据印刷系统的运行日志获取印刷通信系统中光功率的各种数据，对所述数据进行预处理，根据预处理结果获取印刷通信光功率的特征，包括：
4.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，通过对所述印刷通信光功率的特征进行组合，获取影响光功率的主要因素，包括：
5.根据权利要求1所述的印刷通信光功率预测的方法，其特征在于，根据所述主要因素...
【专利技术属性】
技术研发人员：李成明，马伟，张培兴，卿前缘，
申请(专利权)人：东莞市众嘉印刷有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。